-
背景知识
卷积神经网络中的卷积操作主要是由:卷积核大小(kearl_size),步长(stride),填充(padding)等决定,根据输入的特征图的in_channel的个数,尺寸以及卷积核大小,步长与填充的关系可以计算出卷积后输出的特征图的out_channel,大小等。
-
相关计算
现在假设原图像的输入为in_channel * image_size * image_size,卷积操作的卷积核的大小为kearl_size,卷积的步长为stride,填充为padding,卷积核的个数为out_channel,以下给出计算出卷积操作后特征图的个数,大小,以及卷积操作的参数等。
假设现在输入的图像是3 * 32 * 32(3代表的是channel的个数,32 * 32是图像的大小),卷积操作中的卷积核的大小kearl_size为7,padding为1,stride为3,卷积核的个数conv_num为64,求卷积操作后图像的大小,卷积后的特征图的个数,以及卷积核的参数?
- 卷积操作后图像的尺寸计算
由公式得卷积后的图像的尺寸为:after_size=(image_size+2 * padding-keral_size)/stride+1
那么卷积后的图像尺寸为:(32+2 * 1-7)/3+1=10 - 卷积操作后特征图的feature maps个数(其实也是out_channel)计算
输出的特征图的个数就是卷积核的个数 64 - 卷积核的参数计算
由卷积操作知